视频世界模型需要可预测的潜变量

研究发现，采用时间目标进行表征学习并搭配 past-conditioned decoder，可在相同训练预算下改善生成式视频世界模型，同时保持对未来观测的准确预测。论文报告推理成本最高降低 5 倍、训练速度超过 7 倍，分布外及长时域的像素和感知误差降低 15–24%。使用视觉语言模型根据像素预测判断任务成功时，这些模型对真实世界策略评估的吻合度也更高。